Perancangan Diagnosa Covid-19 Menggunakan Metode Case Based Reasoning (CBR) Untuk Mengidentifikasi Tingkatan Gejala Pasien Covid-19

(1)

eISSN: 2502-339X, pISSN: 1979-276X, DOI: 10.30998/faktorexacta.v16i4.19767  274

Perancangan Diagnosa Covid-19 Menggunakan Metode Case Based Reasoning (CBR) Untuk Mengidentifikasi Tingkatan

Gejala Pasien Covid-19

Nofita Rismawati¹, Muhamad Femy Mulya²

1Program Studi Teknik Informatika, Universitas Indraprasta PGRI, Indonesia

2Program Studi Sistem Informasi, Universitas Tanri Abeng, Indonesia

Article Info ABSTRACT

Article history:

Received Aug 22, 2023 Revised Dec 14, 2023 Accepted Dec 16, 2023

COVID-19 is a disease caused by a new coronavirus derivative, 'CO' taken from coronavirus, 'VI' virus, and 'D' disease (disease). The outbreak of this disease has shaken the world community so much that almost 200 countries in the world have been infected by this virus, including Indonesia. To reduce the number of COVID-19 sufferers, an expert system is needed that can carry out the process of identifying the symptoms of COVID-19 so that it is easier for patients to identify the type of COVID-19 they are suffering from and not make mistakes in the treatment process. Based on this background, researchers are interested in designing an expert system application that can assist the COVID-19 diagnosis process and can be used for public services such as health centers, clinics, and hospitals. The method used by researchers in designing this expert system is the case-based reasoning method. CBR is an approach to solving a problem based on solutions to previous problems. CBR has four process stages: retrieve, reuse, revise, and retain. From the results of testing six important features in the application involving five application users using the Blackbox Testing method, a testing percentage of 98.9% was obtained, which means that the application test results are in accordance with the user's wishes, and this application is expected to help in identifying patients with COVID-19 symptoms.

Keywords:

Covid-19

Case-Based Reasoning (CBR) Blackbox Testing

Corresponding Author:

Nofita Rismawati,

Program Studi Teknik Informatika, Universitas Indraprasta PGRI,

Jl. Nangka No. 58 C, Tanjung Barat, Jagakarsa, Jakarta Selatan.

Email: [email protected] 1. PENDAHULUAN

Covid-19 merupakan penyakit menular yang telah lama menjangkiti masyarakat di dunia, termasuk di Indonesia [1]. Di Indonesia sendiri covid-19 pertama kali masuk pada tanggal 2 Maret 2020 yang dikonfirmasi terdapat 2 orang yang tertular dari warga negara jepang [2]. Dengan perkembangan teknologi yang semakin cepat juga berdampak pada beberapa alat penunjang medis khususnya untuk bidang kesehatan [3]. Penerapan teknologi pada bidang kesehatan sudah banyak digunakan saat ini, seperti Internet of Thing (IoT), Artificial Intelligence (AI) dan berbagai inovasi lainnya [4]. Kemajuan teknologi informasi di bidang kesehatan, banyak memberikan manfaat seperti, memudahkan pasien dalam melakukan proses registrasi ke layanan kesehatan, mempersingkat waktu tunggu pasien untuk mendapatkan pelayanan kesehatan, lalu mempermudah dokter dan tenaga medis lainnya dalam pencatatan terkait data pasien, dan lain sebagainya. Pada masa pandemi covid-19 peran teknologi sangat berpengaruh dalam melakukan pencegahan dan penanganan untuk pasien yang terkonfirmasi positif [5]. Dengan adanya teknologi sistem pakar, pasien, dokter, dan tenaga medis lainnya akan

(2)

dimudahkan dalam banyak hal, termasuk penanganan terhadap pasien covid-19 yang lebih cepat dan akurat [6].

Pada masa pandemi covid-19, banyak masyarakat yang terkena dampak secara material maupun non- material. Banyak website-website phising yang memberikan informasi terkait covid-19 yang tidak valid, bahkan membingungkan bagi sebagian besar masyarakat umum [7]. Apabila masyarakat hendak mendiagnosa penyakit covid-19, masyarakat harus langsung menjalani tes PCR/SWAB ke fasilitas kesehatan terdekat, tentu saja ini dapat menghabiskan waktu dan uang, jika proses ini dilakukan secara berulang. Sementara itu, untuk melakukan screening awal tidak harus langsung melakukan tes PCR/SWAB, hanya diperlukan beberapa survei untuk mengusulkan apakah orang tersebut harus melakukan tes covid-19 atau tidak [8]. Dengan demikian, ada beberapa tingkatan gejala yang dialami pasien covid-19 yaitu, tanpa gejala, gejala ringan, gejala sedang, dan gejala berat. Semakin berat gejalanya maka akan semakin membutuhkan penanganan lebih. Dari beberapa permasalahan yang telah dijelaskan sebelumnya, maka Tujuan dari penelitian ini, yaitu untuk merancang suatu aplikasi diagnosa penyakit covid-19 berbasiskan website dengan menggunakan Metode Case Based Reasoning (CBR). Dengan adanya aplikasi ini, diharapkan masyarakat akan terbantu untuk mencari informasi covid-19 dan melakukan screening awal, apakah dia terindikasi positif covid-19 atau tidak [9]. Aplikasi ini juga akan membantu masyarakat (pasien) untuk mengetahui seberapa berat gejala yang dialaminya, sehingga dapat melakukan penanganan lebih awal dan lebih cepat. Hasil diagnosa yang diberikan nantinya berupa presentase tingkatan gejala. Semakin besar presentase yang dihasilkan, maka akan menentukan seberapa parah gejala yang dialami pasien [10].

2. METODE

Aplikasi diagnosa Covid-19 merupakan sebuah Aplikasi berbasis web yang berfungsi untuk mempermudah penangan kasus Covid-19 yang terjadi di indonesia. Banyak jumlah kasus Covid-19 dan mutasi virus yang berkembang, mengakibatkan banyaknya kasus kematian di indonesia. Website ini dikembangkan untuk dapat memberikan informasi terkait covid-19 dan juga dapat membantu untuk mengklasifikasikan seorang pasien yang terkena covid- 19 termasuk ke dalam gejala yang ringan, sedang ataupun gejala berat.

Metode yang digunakan untuk melakukan diagnosa yaitu dengan menggunakan Case Based Reasoning (CBR). CBR sendiri merupakan salah satu metode yang digunakan dalam membangun sebuah sistem yang bekerja untuk mendiagnosa kasus baru berdasarkan kasus lama yang sudah pernah terjadi sebelumnya [11].

Dimana sampel kasus yang digunakan pada diagnosa ini diambil dari tingkatan gejala yang dikutip oleh Kementerian Kesehatan Republik Indonesia. Banyak nya kasus di Indonesia, dan beraneka ragamnya gejala yang dialami oleh pasien covid-19, dirangkum menjadi 4 jenis tingkatan yaitu gejala ringan, gejala sedang, gejala berat, dan tanpa gejala [10]. Hal ini dimaksudkan untuk memudahkan tenaga medis dalam melakukan penanganan yang tepat pada seorang pasien covid-19 tersebut [12]. Dengan adanya klasifikasi gejala pada pasien covid-19 maka diharapkan dapat meminimalisir angka kematian yang terjadi di Indonesia [13].

Gambar 1. Flowchart

Pada gambar 1 diatas, berisi tentang proses awal user mengakses website hingga proses selesai.

Dijelaskan pada proses awal user diharuskan registrasi apabila belum mempunyai akun dan apabila user sudah mempunyai akun maka user dapat masuk ke home page. Ketika user sudah login, user dapat mengisi formulir

(3)

data diri yang telah disediakan di halaman website sebelum memilih pilihan gejala yang dialaminya. Ketika sudah keluar hasil diagnosa, maka ada 2 rekomendasi apakah user terindikasi positif covid-19 atau tidak. Dan dapat melanjutkan untuk melakukan SWAB/PCR di rumah sakit, apabila user tidak terindikasi positif covid- 19 maka user akan di sarankan untuk minum obat atau vitamin tertentu serta catatan lainnya. Setelah melakukan PCR di rumah sakit, maka user diharuskan mengirimkan informasi hasil tes tersebut. Selanjutnya user dapat melakukan diagnosa ulang yang berfungsi untuk memastikan gejala yang dialami dan juga berfungsi untuk masuk ke katagori gejala, ketika sudah mendapatkan kategori gejala maka user dapat mencetaknya. Dan proses selanjutnya dapat ditentukan sesuai dengan tingkatan gejalanya.

Pada penelitian ini, akan dibahas yaitu perancangan sistem dengan menggunakan metode Case Base Reasoning (CBR), Metode ini menyelesaikan kasus dengan membandingkan kasus baru dengan kasus lama dan di lakukan perbandingan bobot antar kriteria sehingga didapatkan nilai bobot [14].

Perhitungan bobot penyakit pertama dengan melakukan proses retrieve. Proses retrieve merupakan proses pencarian kemiripan kasus baru dengan kasus yang lama [15]. Pencarian kemiripan antara kasus baru dengan kasus lama dilakukan dengan cara mencocokan gejala yang diinputkan oleh pengguna dengan gejala yang ada pada basis pengetahuan [16]. Apabila gejala terdapat di gejala lama maka bobot bernilai 1 sebaliknya bernilai 0. Adapun data tabel pada penyakit covid-19 sebagai berikut:

Tabel 1. Data Skrining Awal

Data Gejala Adalah sebagai berikut :

Tabel 2. Data Gejala Basis Pengetahuan

Kode Gejala

G001 Batuk Ringan, Pilek dan Bersin G002 Bersin-bersin

G003 Hidung tersumbat dan berair G004 Nyeri tenggorokan

G005 Sakit kepala G006 Demam G007 Batuk Kering

G008 Fatigue(kelelahan ringan) G009 Anoreksia(gangguan makan)

G010 Anosmia(kehilangan indra penciuman) G011 Ageusia(hilang indra pengecapan) G012 Malgia(nyeri tulang)

G013 Mual dan atau muntah G014 Nyeri perut dan atau diare

kode Skrining

S01 Apakah pernah keluar rumah/tempat umum(pasar, fasilitas pelayanan kesehatan, kerumunan orang, dll)?

S02 Apakah pernah menggunakan transportasi umum?

S03 Apakah pernah melakukan perjalanan keluar kota/internasional?

(wilayah yang terjangkit/zona merah)

S04 Apakah anda mengikuti kegiatan yang melibatkan orang banyak S05 Apakah anda memiliki riwayat kontak langsung/tidak langsung

dengan orang yang dinyatakan ODP,PDP, atau terkonfirmasi covid-19?

S06 Saat ini anda sedang merasakan demam, batuk dan pilek

S07 Saat ini anda merasa kesulitan bernafas atau sesak nafas, nyeri tenggorokan?

(4)

G015 Konjungtivitas(mata merah)

G016 Kemerahan pada kulit dan atau ada perubahan warna pada jari kaki

G017 Sesak napas tanpa distrees pernapasan G018 ARDS(Gagal napas)

G019 Sepsis(infeksi organ)

G020 Syok sepsis(kegagalan organ dan tekanan darah sangat rendah)

G021 Multiorgan failure(Kegagalan multiorgan)

G022 Frekuensi napas: 12-20 kali/menit-Saturasi oksigen >=

95%

G023 Frekuensi napas: 12-20 kali/menit-Saturasi oksigen <=

95%

G024 Frekuensi napas: 20-30 kali/menit-Saturasi oksigen <

95%

G025 Frekuensi napas: >= 30 kali/menit-Saturasi oksigen

<=95%

Tabel 3. Data Tingkatan Gejala Kode

Tingkatan

Tingkatan Gejala

Tempat Perawatan Terapi Pengobatan P001 Tanpa

Gejala

Isolasi mandiri di rumah, fasilitas isolasi

pemerintah

Vitamin C, D, dan Zinc

P002 Gejala Ringan

Fasilitas isolasi pemerintah, isolasi mandiri di rumah bagi yang memenuhi syarat.

Oseltamivir atau favipiravir, Vitamin C, D, dan Zinc

P003 Gejala Sedang

Rumah Sakit Lapangan, Rumah Sakit Darurat COVID-19, Rumah

Favipiravir, remdesivir 200 mgIV, azitromisin, kartikosteroid, Vitamin C, D, dan Zinc, Antikoagulan LMWH/UFH berdasarkan evaluasi Dokter penanggung jawab(DPJP), pengobatan komorbid bila ada, terapi O2 secara noninvasif dengan arus sedang sampai tinggi (HFNC) P004 Gejala

Berat

HCU/ICU Rumah Sakit Rujukan

Favipiravir,remdesivir,

azitromisin,kartikosteroid, Vitamin C, D, dan Zinc, Antikoagulan LMWH/UFH berdasarkan evaluasi Dokter penanggung jawab(DPJP), pengobatan komorbid bila ada, HFNC/ventilator, terapi tambahan.

P005 Penyakit Demam

Istirahat di rumah, berobat ke klinik

Obat antivirus, Obat antibiotik, Obat antijamur

Tabel 4 .Basis Pengetahuan Relasi Gejala, Penyakit dan Bobot

Gejala Penyakit

Kode Gejala Bobot Kode Penyakit

G022 Frekuensi napas: 12-20 kali/menit-Saturasi oksigen >= 95%

1 P001 Tanpa Gejala

(5)

G014 Nyeri perut dan atau diare 0,6

P002

Gejala Ringan

G013 Mual dan atau muntah 0,6

G012 Malgia(nyeri tulang) 0,6

G009 Anoreksia(gangguan makan) 0,6

0,6 G010 Anosmia(kehilangan indra penciuman) 0,6

G005 Sakit kepala 0,6

G011 Ageusia(hilang indra pengecapan) 0,6

G008 Fatigue(kelelahan ringan) 0,6

G015 Konjungtivitas(mata merah) 0,6

G023 Frekuensi napas: 12-20 kali/menit-Saturasi oksigen <= 95%

0,8

G007 Batuk Kering 0,6

G006 Demam 0,6

G004 Nyeri tenggorokan 0,6

G010 Anosmia(kehilangan indra penciuman) 0,4

P003 Gejala Sedang

G014 Nyeri perut dan atau diare 0.6

G017 Sesak napas tanpa distrees pernapasan 0.6

G004 Nyeri tenggorokan 0.6

G009 Anoreksia(gangguan makan) 0.6

G007 Batuk Kering 0.6

0,6

G008 Fatigue(kelelahan ringan) 0.6

G006 Demam 0,6

G005 Sakit Kepala 0.6

G024 Frekuensi napas: 20-30 kali/menit-Saturasi oksigen < 95%

0,8 G011 Ageusia(hilang indra pengecapan) 0,6

G010 Anosmia(kehilangan indra penciuman) 0.6

P004 Gejala Berat

G005 Sakit Kepala 0,6

G011 Ageusia(hilang indra pengecapan) 0.6

G009 Anoreksia(gangguan makan) 0.6

0.6

G006 Demam 0,6

G008 Fatigue(kelelahan ringan) 0,6

(6)

Contoh Perhitungan diagnosa penyakit Covid-19, seorang pasien mengalami gejala-gejala sebagai berikut:

 G001 : Batuk ringan, pilek dan bersin

 G003 : Hidung tersumbat dan berair

Gejala yang terjadi pada pasien ini selanjutnya disebut dengan kasus baru. Berdasarkan gejala tersebut maka carilah gejala-gejala yang memiliki relasi ke tabel rule. Adapun yang memiliki relasi adalah sebagai berikut :

 Penyakit : P005

 Perhitungan pada kasus P005 Cari Data Gejala dan Bobot di Kasus Lama Pada Jenis Kerusakan P005, adapun relasinya pada gambar berikut:

Tabel 5. Kasus Lama dan kasus baru

Lalu hitung nilai similarity dari kasus baru dengan kasus lama, dengan persamaan berikut [14]:

Similarity (T, S)

Similarity (problem, case) = 𝑆1×𝑊1+𝑆2×𝑊2 +⋯+𝑆𝑛 × 𝑊𝑛

𝑊1 + 𝑊2+⋯+𝑊𝑛 (1)

Keterangan:

S = similarity (nilai kemiripan) yaitu 1 (sama) dan 0 (beda) W = weight (bobot yang diberikan)

Sehingga perhitungannya :

Similarity (X, P005) = [(1×1)+(0×1)+(1×1)+(0×0.6)]

1+1+1+0.6

= ²

3.6

= 0,55556

G018 ARDS(Gagal napas) 0,4

G019 Sepsis(infeksi organ) 0,4

G025 Frekuensi napas: >= 30 kali/menit-Saturasi oksigen <=95%

0,8

G007 Batuk Kering 0,6

G014 Nyeri perut dan atau diare 0,6

G020 Syok sepsis(kegagalan organ dan tekanan darah sangat rendah)

0,4 G021 Multiorgan failure(Kegagalan multiorgan) 0,6 G001 Batuk ringan, pilek dan bersin 1

P005 Penyakit Demam

G003 Hidung tersumbat dan berair 1

G002 Bersin-bersin 1

Kasus Lama (Basis Pengetahuan Pakar) Kasus Baru (Gejala Dipilih) G001 Batuk Ringan, Pilek dan Bersin 1 G001

G003

G002 Bersin-bersin 1

G003 Hidung tersumbat dan berair 1

(7)

Didapatkan nilai similarity-nya adalah = 0,55556

Setelah proses similarity dilakukan selanjutnya dilakukan proses Reuse yaitu dengan melihat nilai tertinggi yang dihasilkan dari proses similarity dengan nilai sebagai berikut [10]:

Rumus nilai tertinggi (persentase) = 𝑁𝑖𝑙𝑎𝑖 𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦

𝑇𝑜𝑡𝑎𝑙 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦𝑥 100 (2) Berdasarkan hasil diagnosa penyakit maka diperoleh hasil yang terdeteksi penyakit adalah :

Persentase

=

^0.55556

0.55556

x 100%

[P005] Demam dengan Nilai = 0.55556, Persentase 100 %

Dengan demikian dapat disimpulkan bahwa dari proses retrieve diatas ditemukan pasien mengalami penyakit demam yang paling dominan yaitu P005 (Penyakit Demam) dengan tingkat kepercayaan sebesar 100%.

3. HASIL DAN PEMBAHASAN 3.1. Proses Kerja Sistem

Pada gambar Use case diagram di bawah ini, memiliki 3 aktor yang digunakan dalam website ini yaitu terdiri dari user, admin dan dokter. Pada proses awal terdapat fungsi yang dapat di proses oleh user yaitu registrasi. setelah user melakukan proses registrasi maka data user akan dikelola oleh admin melalui kelola akses user. Sebelum admin mengelola akses user, admin diharuskan login terlebih dahulu dikarenakan admin mempunyai “include” yang mana di haruskan include-nya harus diproses terlebih dahulu.

Gambar 2. Use Case Diagram

Setelah login, user akan langsung di arahkan ke halaman home. Pada halaman home, user akan mendapatkan informasi seputar covid-19. Selanjutnya user dapat melakukan diagnosa yang diawali dengan proses input yaitu mengisi formulir yang terdiri dari data user, screening awal dan penginputan gejala yang dimiliki oleh user. Setelah user melakukan proses penginputan gejala, maka sistem akan menampilkan hasil diagnosa, apakah user terindikasi mengalami covid-19 atau tidak.

(8)

Ketika user sudah menginputkan gejala yang di deritanya, maka sistem akan memproses data user, pasien rule untuk menginformasikan kepada user bahwa user mendapatkan kelola apakah pasien dengan gejala ringan, sedang ataupun berat. Admin juga dapat mengelola banyak data seperti kelola rule, kelola pasien dan kelola hasil diagnosa.

Selanjutnya yang akan dilakukan sistem adalah membuat QR code pasien melalui id data pasien, lalu sistem akan mengirimkan hasil diagnosa pasien kepada dokter. Lalu, dokter akan melakukan validasi dan verifikasi terhadap diagnosa gejala pasien tersebut, apakah hasil diagnosa sudah sesuai atau belum.

3.2. Tampilan Website Diagnosa Covid-19

Pada gambar 3 dibawah adalah gambar Login user (Pasien). Apabila user hendak masuk ke dalam website dan melakukan diagnosa yang dialami, maka user diharuskan login terlebih dahulu, dan apabila user tidak mempunyai akun maka user dapat melakukan registrasi dengan mengklik Belum punya akun lalu isi data diri untuk mendaftarkannya. Adapun tampilannya sebagai berikut:

Gambar 3. Login user

Pada gambar 4 adalah halaman login untuk user Admin login dengan background interface yang berbeda dari user pasien, pada halaman login ini di haruskan untuk admin dalam mengelola data user. Tampilan pada login admin adalah sebagai berikut:

Gambar 4. Login Admin-Dokter

Berikut adalah tampilan halaman utama dari website. Pada gambar 5 merupakan tampilan Home user.

Dimana pada tampilan home user akan menampilkan informasi mengenai seputar covid, seperti Pengertian Covid-19, Gejala Covid-19, Protokol Kesehatan 6M, Dokter yang bertugas untuk menangani Covid-19. Pada halaman ini dapat di akses apabila user telah melakukan login di halaman login user pasien. User juga dapat menginput data diri yang diperlukan dan dapat mengedit data. Data user tersebut dapat langsung terhubung ke sistem admin dan dokter terkait. Tampilan dari home user sebagai berikut:

(9)

Gambar 5. Home User

Pada Gambar 6, Formulir data pasien ini adalah proses awal ketika user pasien ingin melakukan diagnosa, maka yang harus dilakukan user ialah mengisi data user yang telah di sediakan diatas.

Gambar 6. Form Data Pasien

Ketika user pasien telah melakukan proses pertama diagnosa dan sudah mengisi data diri user pasien maka user pasien akan melakukan proses kedua yaitu memilih gejala yang sedang dialami oleh user pasien seperti gambar 7 dibawah ini.

Gambar 7. Form Data Diagnosa

(10)

Pada Gambar 8 ini adalah hasil dari yang telah diagnosa. Pada proses pertama dan proses kedua user pasien mendapatkan kode QR yang nantinya QR user pasien digunakan oleh dokter untuk mengetahui laporan gejala yang dialami pasien.

Gambar 8. Hasil Diagnosa 3.3. Testing Aplikasi Covid-19 dengan CBR

Untuk pengujian Aplikasi Diagnosa Covid-19 Menggunakan Metode Case Based Reasoning (CBR) Untuk Mengidentifikasi Tingkatan Gejala Pasien Covid-19 yang telah dibuat, peneliti melakukannya menggunakan “Blackbox Testing”. Blackbox Testing merupakan sebuah pengujian terhadap sistem untuk meneliti hasil input dan output pada sistem tanpa mengetahui struktur kode dari software.

Adapun pengujian sistem ini dilakukan oleh beberapa user lainnya seperti:

a. Peneliti b. Dokter Umum c. Staff Klinik d. Pasien e. Dokter Paru

Berikut ini adalah hasil pengujian Blackbox Testing pada Aplikasi Diagnosa Covid-19 Menggunakan Metode Case Based Reasoning (CBR) Untuk Mengidentifikasi Tingkatan Gejala Pasien Covid-19:

Tabel 6. Tabel Pengujian Aplikasi dengan Blackbox Testing

No. Fitur Hasil Yang Diharapkan

Hasil Pengujian (%) Persentase Rata-Rata (%)

a b c d e

1. Registrasi Fitur ini digunakan untuk para pengguna website yang belum terdaftar dalam website. Sehingga dapat melakukan login untuk proses diagnosa.

100% 99% 100% 100% 100% 99.8%

2. Login Para pengguna website harus melakukan login untuk masuk ke halaman diagnosa, sehingga dapat melakukan diagnosa sesuai dengan gejala yang di derita.

100% 99% 100% 100% 100% 99.8%

3. Hasil Diagnosa

Hal yang paling utama dalam proses pembuatan website ini ada pada fitur Diagnosa. Yang mana pengguna (pasien) dapat melakukan proses diagnosa sesuai dengan gejala yang dialami-nya.

100% 96% 99% 99% 97% 98.2%

4. Input hasil Tes

Setelah pasien melakukan tes Swab/PCR, maka pasien dapat melakukan konfirmasi apakah ia

100% 98% 99% 99% 98% 98.8%

(11)

SWAB/PC R

positif atau negative. Hal ini dapat memberikan rekomendasi untuk penanganan selanjutnya.

5. Penanganan lebih lanjut

Jika hasilnya Positif maka akan terlihat tingkatan gejala (ringan, sedang, berat) sesuai dengan hasil diagnosa awal. Dan akan diarahkan/dirujuk ke dokter sesuai tingkatan gejala.

100% 96% 98% 97% 98% 97.8

6. Hasil Diagnosa berupa kode QR

Hasil diagnosis berupa Kode QR digunakan oleh pasien untuk Tindakan lebih lanjut yaitu pasien membawa hasil QR ke rumah sakit terkait.

Kemudian menyerahkanya ke dokter terkait.

Dokter akan melakukan scan kode QR dengan Komputernya. Nantinya dokter akan lebih mudah dalam mengetahui gejala yang dialami oleh pasien tersebut dan dapat melakukan penanganan dengan cepat.

100% 98% 100% 99% 98% 99%

Total Persentase Rata-Rata Pengujian BlackBox Testing 98.9%

4. SIMPULAN

Dari hasil pengujian yang dilakukan dengan menggunakan metode Blackbox Testing oleh 5 penguji, yaitu Peneliti, Dokter Umum, Staff Klinik, Pasien dan Dokter Paru, diperoleh presentase pengujian sebesar 98,9%, artinya dari hasil seluruh fungsi pada aplikasi berjalan sesuai dengan yang diharapkan oleh para penguji aplikasi. aplikasi diagnosa covid-19 mampu membantu memberikan gambaran awal gejala covid-19 bagi petugas medis.

Pada aplikasi diagnosa covid-19 berbasis web juga dilengkapi fitur keamanan data berbasis QR code.

Fitur ini ditunjukan untuk menjaga kerahasiaan data pasien sehingga hanya pihak tertentu yang berhak membaca hasil diagnosa atau pun gejala dari covid-19. Sistem inferensi yang digunakan untuk melakukan diagnosa covid-19 dibangun dengan menggunakan metode Algoritma CBR. Aplikasi ini ditujukan untuk nantinya mampu membantu fasilitas kesehatan yang kesulitan dalam menjangkau daerah-daerah yang merupakan zona merah rawan covid-19 agar para pasien covid-19 dapat melakukan diagnosa awal dari gejala covid-19 dengan mudah di rumah masing-masing.

Namun demikian penegakan diagnosa utamanya untuk kasus berat tetap memerlukan keahlian analisa lebih lanjut dari Dokter Spesialis Paru dan Penyakit dalam. Dalam aplikasi yang dibangun, hal ini diakomodasi dengan memberikan fitur rujukan pada aplikasi. Berdasarkan hasil pengujian dapat ditunjukkan bahwa seluruh fitur yang dibangun dapat difungsikan dengan baik. Hasil inferensi juga telah sesuai dengan pengetahuan tenaga ahli medis. Proses keamanan data juga sudah tervalidasi. Sehingga dapat dikatakan fungsi utama dari aplikasi yang diusulkan sudah dapat divalidasi.

DAFTAR PUSTAKA

[1] M. R. Darmawan and S. Wibisono, “Deteksi Dini Varian Covid-19 Dengan Metode CBR-AHP Dan Sorgenfrei,” Pixel J. Ilm. Komput. Graf., vol. 15, no. 1, pp. 132–141, Jul. 2022, doi:

10.51903/PIXEL.V15I1.747.

[2] F. Setiawan, S. Wibisono, K. Mugas, and J. Trilomba Juang No, “ALGORITMA BRAY&CURTIS BERBOBOT PADA CBR PENENTUAN KELUARGA TERDAMPAK COVID-19,” J. Manaj.

Inform. dan Sist. Inf., vol. 4, no. 2, pp. 131–140, Oct. 2021, doi: 10.36595/MISI.V4I2.387.

[3] D. A. Kusuma and C. Chairani, “Rancang Bangun Sistem Pakar Pendiagnosa Penyakit Paru-Paru Menggunakan Metode Case Based Reasoning,” J. Inform. dan Elektron., vol. 6, no. 2, Jan. 2015, doi:

10.20895/INFOTEL.V6I2.74.

[4] K. H. Abdulkareem et al., “Realizing an Effective COVID-19 Diagnosis System Based on Machine Learning and IoT in Smart Hospital Environment,” IEEE Internet Things J., vol. 8, no. 21, pp. 15919–

15928, Nov. 2021, doi: 10.1109/JIOT.2021.3050775.

[5] Henderi, R. P. Merliasari, H. L. H. S. Warnars, and Sugiyatno, “Covid-19 series: A rule-based decision support system for analysis behavior of people while working from home,” IOP Conf. Ser. Mater. Sci.

Eng., vol. 1007, no. 1, Dec. 2020, doi: 10.1088/1757-899X/1007/1/012031.

[6] S. Mishra, S. Yadav, M. Aggarwal, Y. Sharma, and R. Muzayanah, “Developed an expert system for analysis of covid-19 affected,” J. Soft Comput. Explor., vol. 4, no. 1, Jan. 2023, doi:

10.52465/JOSCEX.V4I1.113.

[7] P. A. H. Pratama, R. Teguh, A. S. Sahay, and V. Wilentine, “Deteksi COVID-19 Berdasarkan Hasil

(12)

Rontgen Dada (Chest Xray) Menggunakan Python,” J. Inf. Technol. Comput. Sci., vol. 1, no. 1, pp.

58–67, Jun. 2021, doi: 10.47111/JOINTECOMS.V1I1.2956.

[8] R. Al Dzahabi Yunas, A. Triayudi, and I. D. Sholihati, “Implementasi Sistem Pakar untuk Mendeteksi Virus Covid-19 dengan Perbandingan Metode Naïve Bayes dan Certainty Factor,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 5, no. 3, p. 338, Jul. 2021, doi: 10.35870/JTIK.V5I3.221.

[9] A. Wijayanti, F. N. Arifah, D. E. Putri, M. D. Satriyanto, and S. Sallu, “Sistem Pakar Dalam Mendiagnosa Penyakit Tubercolosis dengan mengimplementasikan Metode Case Based Reasoning,”

J. Comput. Syst. Informatics, vol. 4, no. 3, pp. 570–577, May 2023, doi: 10.47065/JOSYC.V4I3.3409.

[10] Maukar, E. Sutanty, and D. K. Astuti, “Kombinasi Case-Based Reasoning dan Rule-Based Reasoning Pada Sistem Pakar Deteksi Awal Covid-19,” Decod. J. Pendidik. Teknol. Inf., vol. 3, no. 1, pp. 94–

105, Feb. 2023, doi: 10.51454/DECODE.V3I1.138.

[11] I. Putu and A. E. Pratama, “The Implementation and Testing of Online Self-Diagnose Covid19 Application Using CBR and UAT,” Int. J. Adv. Data Inf. Syst., vol. 2, no. 2, pp. 73–83, Nov. 2021, doi: 10.25008/IJADIS.V2I2.1223.

[12] M. F. Suryana, F. Fauziah, and R. T. K. Sari, “Implementasi Sistem Pakar Menggunakan Metode Certainty Factor Untuk Mendiagnosa Dini Corona Virus Desease (COVID-19),” J. MEDIA Inform.

BUDIDARMA, vol. 4, no. 3, p. 559, Jul. 2020, doi: 10.30865/MIB.V4I3.2132.

[13] D. Arisandi, L. Elvitaria, L. Trisnawati, and C. Author, “A Testing of Case-Base Reasoning for Covid- 19 Patient Status Confirmation,” Indones. J. Artif. Intell. Data Min., vol. 4, no. 2, pp. 72–78, Nov.

2021, doi: 10.24014/IJAIDM.V4I2.11990.

[14] M. Nugraheni, Widodo, and I. P. Sari, “A Case-Based Reasoning for Detection Coronavirus (Covid- 19) Using Cosine Similarity,” Proc. Conf. Broad Expo. to Sci. Technol. 2021 (BEST 2021), vol. 210, pp. 178–183, Feb. 2022, doi: 10.2991/AER.K.220131.030.

[15] X. W. Gao and A. Gao, “COVID-CBR: A Deep Learning Architecture Featuring Case-Based Reasoning for Classification of COVID-19 from Chest X-Ray Images,” Proc. - 20th IEEE Int. Conf.

Mach. Learn. Appl. ICMLA 2021, pp. 1319–1324, 2021, doi: 10.1109/ICMLA52953.2021.00214.

[16] M. Nugraheni, “Detection Coronavirus using Cased-Based Reasoning with Extended Jaccard Coefficient,” IJISTECH (International J. Inf. Syst. Technol., vol. 5, no. 1, pp. 31–37, Jun. 2021, doi:

10.30645/IJISTECH.V5I1.112.